ChatGPT提示工程师：必备知识与技巧解析

作者：西湖大学智能无人系统发布时间：2023-11-20

近年来，随着人工智能技术的飞速发展，大语言模型（如：chatGPT）逐渐成为科研领域的得力助手。在我们的科研探索中，chatGPT发挥了关键作用，为我们提供了前所未有的便利和支持。在本文中，我们将详细探讨如何充分利用chatGPT，让它为我们服务得更加出色。

大语言模型的多面才华

ChatGPT作为一个强大的自然语言处理模型，具备多项出色技能，包括但不限于以下几个方面：

自然语言理解: ChatGPT 能够理解和解释用户输入的自然语言。它可以回答关于事实、定义、常识等方面的问题。
问题回答: ChatGPT 能够回答用户提出的问题，无论是关于历史事件、科学知识、技术问题、地理信息还是其他领域的问题。
文本摘要: ChatGPT 能够总结输入的文本，并生成简洁、准确的摘要，提炼文本中的关键信息。
对话系统: ChatGPT 能够模拟人类对话，与用户进行交互，回答用户的问题，进行日常聊天，提供建议等。
语言翻译: ChatGPT 具备基本的语言翻译能力，可以将一种语言翻译成另一种语言。
编程帮助: ChatGPT 能够提供编程方面的帮助，回答编程问题，解释代码，提供代码示例等。
创意性写作: ChatGPT 具备一定的创造性，可以帮助用户生成文章、故事、诗歌等文学作品。

然而，需要注意的是，chatGPT也有其局限性：

引用来源：虽然chatGPT可以生成似乎引用来源的文本，但重要的是要注意它们无法准确引用来源。这是因为他们无法访问互联网，也没有能力记住他们的训练数据来自哪里。因此，它们经常产生看似合理但完全是捏造的来源。
偏见：chatGPT在他们的回答中可能会表现出偏见，经常产生刻板印象或偏见的内容。这是因为它们是在可能包含有偏见信息的大型数据集上训练的。
幻觉：chatGPT有时在被问到他们不知道答案的问题时会“产生幻觉”或产生虚假信息。他们不是说他们不知道答案，而是经常产生一个听起来自信但不正确的回应。这可能导致错误信息的传播，在使用chatGPT执行需要准确信息的任务时应考虑到这一点。
数学：尽管具有先进的功能，但chatGPT经常难以完成数学任务，并且可能提供不正确的答案。

高级提示工程技巧介绍

在使用chatGPT时，我们可以遵循一些指导原则或者使用技巧，以便其更好地为我们服务。

明确问题和指令

具体问题: 确保问题具体明了，不要过于宽泛或模糊。指令应该明确表达用户期望的回答。

Bad prompt: "推荐一本书。"

Good prompt: "根据我的兴趣推荐一本关于人工智能的科普书。"

添加上下文: 在问题中提供必要的上下文信息，帮助模型更好地理解用户的需求。

Bad prompt:"告诉我关于宇宙的事情。"

Good prompt:"我对宇宙的黑洞现象很感兴趣，请解释一下黑洞是如何形成的。"

添加角色

添加角色为chatGPT带来了更多的可能性和实用性。比如，当chatGPT扮演医生角色时，它可以回答关于健康问题、疾病症状和治疗方法的咨询。作为面试官，它能够模拟真实面试场景，提供面试问题并评估答案。当chatGPT化身哲学家时，它可以参与深入哲学讨论，回答关于人生、道德和存在等问题。而作为老师，chatGPT可以为学生提供学科知识解答、学习建议和学术指导。这种角色扮演不仅丰富了用户体验，也提高了chatGPT在各个领域的适用性。

用户：你现在是一名历史学家，为我讲解第一次世界大战的背景和影响。

ChatGPT：...

使用符号分隔指令和文本

无论是总结还是提取，您都可能会输入大量文本。一个小的调整是使用""来分隔指令和内容。这提高了准确性，特别是对于多段落文本。没有分隔符的提示效果较差——人工智能很难区分指令和内容。如下面示例所示：

用户：请从以下文本中总结人工智能在医疗领域的应用。

"""

人工智能技术在医疗领域得到广泛应用。它可以帮助医生提高疾病诊断的准确性，加速医学影像分析的速度，并且在药物研发中发挥重要作用。另外，人工智能还能够改善患者的医疗体验，例如通过智能预约系统和健康监测设备。总的来说，人工智能为医疗行业带来了巨大的变革，提高了医疗服务的质量和效率。

"""

ChatGPT：...

通过使用""符号，用户清晰地表达了指令（总结文本中关于人工智能在医疗领域的应用的信息），同时chatGPT能够准确地识别并回答用户的需求。

零样本提示

在使用零样本提示时，我们可以引导chatGPT回答关于未提供上下文的问题。这种提示方式使chatGPT能够在没有具体背景信息的情况下回答用户的问题。以下是一个具体的例子：

用户：请回答以下关于太阳系的问题。

1.什么是太阳系的中心天体？

2.地球和其他行星之间的相对位置是怎样的？

ChatGPT：...

小样本提示

虽然chatGPT表现出卓越的零样本能力，但在使用零样本设置时，它们在更复杂的任务上仍然不足。小样本提示可以用作一种实现上下文学习的技术，我们在提示中提供演示，以引导模型获得更好的性能。这些演示可作为后续示例的条件，我们希望模型生成响应。

用户：

这个手机真是太好了！// 积极

这个软件太难用了，一点都不实用。// 消极

这本书写得相当精彩，推荐阅读。// 积极

这个餐厅的服务太差，不会再来了。//

ChatGPT：消极

思维链提示

思维链提示通过引导chatGPT进行中间推理步骤，实现复杂问题的推理和解答。在使用思维链提示时，我们提供一个问题或情境，并请求模型逐步进行推理，将问题分解为一系列连贯的中间步骤。这种方法使得语言模型能够通过深思熟虑的推理过程，自我评估中间思维在解决问题方面的进展。

图片1 引用自Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompting elicits reasoning in large language models[J]. Advances in Neural Information Processing Systems, 2022, 35: 24824-24837.

零样本思维链提示

在使用零样本思维链提示时，我们提供一个新颖的问题，并在问题描述结束后加上“Let's think step by step.”的指令。这个指令告诉模型我们希望以逐步推理的方式解决问题，即使模型之前没有见过类似的问题也能够进行深入的思考。模型在遇到这种提示后，会尝试通过逻辑分析、推断和综合思考，逐步构建起解决问题的思维链。在每个推理步骤中，模型会自省其思考过程，为我们呈现出详细的推理路径，使我们能够深入了解问题的解决思路。

图片2 引用自Kojima T, Gu S S, Reid M, et al. Large language models are zero-shot reasoners[J]. Advances in neural information processing systems, 2022, 35: 22199-22213.

自我一致性

在实际应用中，自我一致性方法通常用于处理对某一问题存在多种可能回答的情况。通过连续提问，可以观察到模型在不同回答中的一致性和稳定性。如果多次回答中有一个或多个答案是一致的，那么可以将这个共同点作为最终答案。这种方法尤其适用于对于事实性问题或客观性问题的回答，因为这类问题通常只有一个正确答案，而模型在多次回答中可能会围绕这个正确答案产生一定的波动。